99、深度神经网络助力密码分析

深度神经网络助力密码分析

1. 核心观点与主要贡献

• 系统地对Gohr的区分器进行剪枝，可得到规模更小但性能相当的区分器。
• 对输入进行预处理可以提升Gohr（剪枝后）区分器的性能。

2. 主要贡献

• 评估了彩票假设（Lottery Ticket Hypothesis）在神经Speck区分器上的应用，发现可以获得规模更小或性能更优的网络。彩票假设指出，随机初始化的密集神经网络包含一个子网络，该子网络经过适当初始化后，在单独训练时可以在相同或更少的迭代次数内达到与原始网络相当的测试准确率。
• 成功精简了目前最佳的Speck神经区分器（深度为1的区分器），得到一个规模更小的网络，其准确率与深度为1的区分器相差约一个百分点。
• 成功训练了自动编码器，实现了对给定密文对的近乎完美重建，并研究了在自动编码器进行特征工程预处理后，所提出（并剪枝）的Speck区分器的性能。
• 使用局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations，LIME）研究输入的重要性，以深入了解（剪枝后）区分器的行为，这可能有助于改进未来的预处理方法。

3. Speck分组密码家族

3.1 符号与约定

操作	符号
按位异或	⊕